申请/专利权人：杭州君方科技有限公司

申请日：2023-05-09

公开（公告）日：2024-04-26

公开（公告）号：CN116562760B

主分类号：G06Q10/087

分类号：G06Q10/087;G06F18/2415;G06N3/08;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2023.08.25#实质审查的生效;2023.08.08#公开

摘要：一种纺织化纤供应链监管方法及其系统，其获取包含当天在内的过去多天的纺织化纤供应链的供应链信息，其中，所述供应链信息包括原料采购量、库存量和订单量；采用基于深度学习的人工智能技术，挖掘所述原料采购量、所述库存量和所述订单量的时序协同动态关联特征分布信息，基于此对于纺织化纤供应链的原材料供应和市场需求进行平衡评估，以对于库存量是否合理进行精准检测判断，从而实现降低库存成本，提升效益。

主权项：1.一种纺织化纤供应链监管方法，其特征在于，包括：获取包含当天在内的过去多天的纺织化纤供应链的供应链信息，其中，所述供应链信息包括原料采购量、库存量和订单量；将所述包含当天在内的过去多天的纺织化纤供应链的供应链信息中的原料采购量、库存量和订单量分别按照时间维度排列为原料采购量时序输入向量、库存量时序输入向量和订单量时序输入向量；将所述原料采购量时序输入向量、所述库存量时序输入向量和所述订单量时序输入向量分别通过多尺度邻域特征提取模块以得到原料采购量时序特征向量、库存量时序特征向量和订单量时序特征向量；使用贝叶斯概率模型来融合所述原料采购量时序特征向量、所述库存量时序特征向量和所述订单量时序特征向量以得到后验概率特征向量；以及将所述后验概率特征向量通过分类器以得到分类结果，所述分类结果用于表示当前的库存量是否合理；其中，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核；其中，将所述原料采购量时序输入向量、所述库存量时序输入向量和所述订单量时序输入向量分别通过多尺度邻域特征提取模块以得到原料采购量时序特征向量、库存量时序特征向量和订单量时序特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述原料采购量时序输入向量进行一维卷积编码以得到第一尺度采购量特征向量；其中，所述第一卷积公式为： 其中，a为第一一维卷积核在x方向上的宽度、Fa为第一一维卷积核参数向量、Gx-a为与第一一维卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述原料采购量时序输入向量，CovX表示对所述原料采购量时序输入向量进行一维卷积编码；使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述原料采购量时序输入向量进行一维卷积编码以得到第二尺度采购量特征向量；其中，所述第二卷积公式为： 其中，b为第二一维卷积核在x方向上的宽度、Fb为第二一维卷积核参数向量、Gx-b为与第二一维卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述原料采购量时序输入向量，CovX表示对所述原料采购量时序输入向量进行一维卷积编码；以及使用所述多尺度邻域特征提取模块的融合层对所述第一尺度采购量特征向量和所述第二尺度采购量特征向量进行级联以得到所述原料采购量时序特征向量；其中，还包括对所述多尺度邻域特征提取模块和所述分类器进行训练；其中，对所述多尺度邻域特征提取模块和所述分类器进行训练，包括：获取训练数据，所述训练数据包括包含当天在内的过去多天的纺织化纤供应链的训练供应链信息，其中，所述训练供应链信息包括训练原料采购量、训练库存量和训练订单量，以及，所述当前的库存量是否合理的真实值；将所述包含当天在内的过去多天的纺织化纤供应链的训练供应链信息中的训练原料采购量、训练库存量和训练订单量分别按照时间维度排列为训练原料采购量时序输入向量、训练库存量时序输入向量和训练订单量时序输入向量；将所述训练原料采购量时序输入向量、所述训练库存量时序输入向量和所述训练订单量时序输入向量分别通过所述多尺度邻域特征提取模块以得到训练原料采购量时序特征向量、训练库存量时序特征向量和训练订单量时序特征向量；使用贝叶斯概率模型来融合所述训练原料采购量时序特征向量、所述训练库存量时序特征向量和所述训练订单量时序特征向量以得到训练后验概率特征向量；将所述训练后验概率特征向量通过所述分类器以得到分类损失函数值；以及基于所述分类损失函数值并通过梯度下降的方向传播来对所述多尺度邻域特征提取模块和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行权重矩阵的空间正则化约束迭代；其中，将所述训练后验概率特征向量通过所述分类器以得到分类损失函数值，包括：所述分类器以如下分类公式对所述训练后验概率特征向量进行处理以生成训练分类结果，其中，所述分类公式为：softmax{Wn,Bn:…:W1,B1|X}，其中，X表示所述训练后验概率特征向量，W1至Wn为权重矩阵，B1至Bn表示偏置矩阵；以及计算所述训练分类结果与真实值之间的交叉熵值作为所述分类损失函数值；其中，在所述训练的每一轮迭代中，以如下优化公式对所述分类器的权重矩阵进行权重矩阵的空间正则化约束迭代；其中，所述优化公式为： 其中，M是所述分类器的权重矩阵，MT是所述分类器的权重矩阵的转置矩阵，‖·‖F表示矩阵的Frobenius范数，Mb是偏置矩阵，表示矩阵乘法，表示矩阵加法，⊙表示按位置点乘，exp·表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，M′表示迭代后的所述分类器的权重矩阵。

全文数据：

权利要求：

百度查询： 杭州君方科技有限公司 纺织化纤供应链监管方法及其系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD